文章來源：COBOT機器人大腦、新機器視覺
機器人學習中的經典問題之一便是分揀：在一堆無序擺放的物品堆中，取出目標物品。在快遞分揀員看來，這幾乎是一個不需要思考的過程，但對於機械臂而言，這意味着複雜的矩陣計算。
事實上，對於人類需要耗費大量時間的數理難題，用智能系統處理起來就顯得十分容易，但在幾乎不需要思考的情況下就能做出的分選動作，則是全世界機機器人研究專家關注的熱點。
機械臂抓取需要確定每段機械臂的位姿
首先，機械臂需要視覺伺服系統，來確定物體的位置，根據末端執行器（手）和視覺傳感器（眼）的相對位置，可分爲Eye-to-Hand和Eye-in-Hand兩種系統。
Eye-to-Hand的分離式分佈，視野固定不變，如果相機的標定精度高的話，那麼視覺定位於抓取的精度也越高。
Eye-in-Hand則將機械臂與視覺傳感器固定在一起，視野隨機械臂的移動而改變，傳感器越近時精度越高，但過於靠近時則可能使目標超出視野範圍。
精密的視覺系統與靈活機械臂的配合，才能完成一次完美的抓取，而這正是當前機器人操作中的核心難題，歸納起來就是這麼一件事：找到合適的抓取點（或吸附點），抓住它。之後的轉運執行，則屬於運動規劃的分支。
目前幾種主流的解決方案
Model-based（基於模型的方法）
這種方法很好理解，即知道要抓什麼，事先採用實物掃描的方式，提前將模型的數據給到機器人系統，機器在實際抓取中就只需要進行較少的運算：
1. 離線計算：根據搭載的末端類型，對每一個物體模型計算局部抓取點；
2. 在線感知：通過RGB或點雲圖，計算出每個物體的三維位姿；
3. 計算抓取點：在真實世界的座標系下，根據防碰撞等要求，選取每個物體的最佳抓取點。
RGB顏色空間由紅綠藍三種基本色組成，疊加成任意色彩，同樣地，任意一種顏色也可以拆解爲三種基本色的組合，機器人通過顏色座標值來理解“顏色”。這種方式與人眼識別顏色的方向相似，在顯示屏上廣泛採用。
Half-Model-based（半模型的方法）
在這種訓練方式中，不需要完全預知抓取的物體，但是需要大量類似的物體來訓練算法，讓算法得以在物品堆中有效對圖像進行“分割”，識別出物體的邊緣。這種訓練方式，需要這些流程：
1.離線訓練圖像分割算法，即把圖片裏的像素按物體區分出來，此類工作一般由專門的數據標註員來處理，按工程師的需求，標註出海量圖片中的不同細節；
2.在線處理圖像分割，在人工標註出的物體上，尋找合適的抓取點。
這是一種目前應用較爲廣泛的方式，也是機械臂抓取得以推進的主要推力。機械臂技術發展緩慢，但計算機視覺的圖像分割則進展迅速，也從側面撬動了機器人、無人駕駛等行業的發展。
這種訓練方式不涉及到“物體”的概念，機器直接從RGB圖像或點雲圖上計算出合適的抓取點，基本思路就是在圖像上找到Antipodal（對映點），即有可能“抓的起來”的點，逐步訓練出抓取策略。這種訓練方式往往讓機器手大量嘗試不同種類的物品，進行self-supervisedlearning，Google的Arm Farm，即爲其中的代表之一。
值得注意的是，對於機械手而言，不同形狀的物品，抓取難度有天壤之別。即便是同樣形狀的物體，由於表面反光度和環境光照的影響，在不同場景的抓取難度也大相徑庭。從實驗室到商業落地，其中有相當一段路要走。
高精密度的相機研發，是機器人“感知”物體的第一步。
實際商業場景中，最麻煩的物體總是“下一個物體”。工業機器人要真正融入實際生產體系，只有具備聰明的大腦，針對不同工況做出柔性的調整，才能拓寬工業機器人的使用場景。
未來智能實驗室的主要工作包括：建立AI智能系統智商評測體系，開展世界人工智能智商評測；開展互聯網（城市）雲腦研究計劃，構建互聯網（城市）雲腦技術和企業圖譜，爲提升企業，行業與城市的智能水平服務。
如果您對實驗室的研究感興趣，歡迎加入未來智能實驗室線上平臺。掃描以下二維碼或點擊本文左下角“閱讀原文”
